Anais do Congresso Pernambucano de Recursos Hídricos

USO DE TÉCNICAS DE MACHINE LEARNING NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO EM CENÁRIOS ATUAIS E FUTUROS

Publicado em 05/04/2026 - ISBN: 978-65-272-2310-8

Link Todos os Trabalhos
Trabalho Completo Resumo
Título do Trabalho
USO DE TÉCNICAS DE MACHINE LEARNING NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO EM CENÁRIOS ATUAIS E FUTUROS
Autores
  • ANA PATRICIA GOMES SILVA
  • Rebecca Borja Gonçalves Gomes de Menezes
  • Débora Rodrigues Soares
  • Alfredo Ribeiro Neto
  • João Maria de Andrade
  • LEIDJANE MARIA MACIEL DE OLIVEIRA
Modalidade
Resumo expandido (clique aqui para fazer o download do template)
Área temática
Mudanças climáticas
Data de Publicação
05/04/2026
País da Publicação
Brasil
Idioma da Publicação
pt-BR
Página do Trabalho
https://www.even3.com.br/anais/i-congresso-pernambucano-recursos-hidricos/1444173-uso-de-tecnicas-de-machine-learning-na-estimativa-de-evapotranspiracao-em-cenarios-atuais-e-futuros
ISBN
978-65-272-2310-8
Palavras-Chave
Evapotranspiração de referência; MIROC6; CMIP6; Mudanças climáticas; Semiárido;
Resumo
A evapotranspiração de referência (ETo) é um componente essencial do balanço hídrico, especialmente em regiões semiáridas, onde a variabilidade climática intensifica a demanda hídrica. Este estudo avaliou o desempenho de quatro modelos de aprendizado de máquina — Regressão Linear Múltipla (MLR), Random Forest (RF), K-Nearest Neighbors (KNN) e Redes Neurais Artificiais (ANN) — na estimativa da ETo para a Unidade de Planejamento UP15, localizada no Sertão de Pernambuco. Utilizaram-se dados meteorológicos observados (BR-DWGD) e combinações distintas de variáveis preditoras, com o objetivo de identificar quais conjuntos fornecem maior precisão. Os modelos foram ainda aplicados para estimar a ETo futura com base em projeções do MIROC6 (CMIP6) para os cenários SSP245 e SSP585, no período de 2035 a 2044. Os resultados mostraram que as combinações que incluíram radiação solar e velocidade do vento apresentaram os melhores desempenhos, enquanto combinações baseadas apenas em temperatura geraram maiores erros. Entre os métodos testados, a ANN foi o modelo mais preciso, seguida pelo RF, evidenciando a capacidade de técnicas não lineares em capturar relações complexas entre as variáveis climáticas. As projeções futuras indicaram aumento da ETo principalmente entre junho e outubro, período de maior déficit hídrico regional, refletindo a tendência de intensificação da demanda evaporativa sob condições climáticas mais quentes e secas. Conclui-se que modelos de aprendizado de máquina são ferramentas promissoras para estimar ETo em ambientes semiáridos e para apoiar o planejamento hídrico frente às mudanças climáticas.
Título do Evento
I Congresso Pernambucano de Recursos Hídricos
Cidade do Evento
Recife
Título dos Anais do Evento
Anais do Congresso Pernambucano de Recursos Hídricos
Nome da Editora
Even3
Meio de Divulgação
Meio Digital

Como citar

SILVA, ANA PATRICIA GOMES et al.. USO DE TÉCNICAS DE MACHINE LEARNING NA ESTIMATIVA DE EVAPOTRANSPIRAÇÃO EM CENÁRIOS ATUAIS E FUTUROS.. In: Anais do Congresso Pernambucano de Recursos Hídricos. Anais...Recife(PE) Escola Politécnica de Pernambuco, 2026. Disponível em: https//www.even3.com.br/anais/i-congresso-pernambucano-recursos-hidricos/1444173-USO-DE-TECNICAS-DE-MACHINE-LEARNING-NA-ESTIMATIVA-DE-EVAPOTRANSPIRACAO-EM-CENARIOS-ATUAIS-E-FUTUROS. Acesso em: 12/07/2026

Trabalho

Even3 Publicacoes